arXiv · cs.AI· Sunny Gupta, Amit Sethi·· 11 小时前
HyperDG受控评估：曲率启发标量特征缩放用于域泛化
A Controlled Evaluation of Curvature Inspired Scalar Feature Scaling for Domain Generalization
arXiv:2610.18227v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Sunny Gupta, Amit Sethi
研究任务与主要进展
Sunny Gupta和Amit Sethi评估了HyperDG这一域泛化方法，该方法在训练阶段用学习的正标量缩放欧氏编码器特征，并在推理阶段使用未缩放特征和普通线性分类器。研究在四个数据集上完成384次运行，宏平均比DomainBed ERM低1.61个百分点，但按目标聚类的校正分析未提供差异证据；更干净的域特异性对比显示源域尺度方案差异为-0.13个百分点，仅支持所选套件宏平均下的等价性。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org